基于深度特征和Seq2Seq模型的网络态势预测方法

发布时间：2021-05-21 12:41

　　针对目前大多数的网络态势预测方法不能挖掘数据中的深度信息且需要手动提取与构造特征的问题,提出了深度特征网络态势预测方法 DFS-Seq2Seq。首先将网络流、日志和系统事件等产生的数据进行清洗处理,使用深度特征融合算法自动合成深度关系特征,然后采用自动编码器对合成的特征进行提取,最后使用长短期记忆网络（LSTM）构建Seq2Seq模型对数据进行预测。通过设计缜密的实验在公开数据集Kent2016上对所提方法进行验证,结果显示在深度为2时与支持向量机（SVM）、贝叶斯、随机森林（RF）和LSTM这四种分类模型相比,其召回率分别提升了7.4%、11.5%、6.5%、3.0%。实验结果表明DFS-Seq2Seq可以在实际应用中有效地识别网络身份验证中的危险事件,对网络态势作出有效的预测。 

【文章来源】：计算机应用. 2020,40(08)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 相关工作
    1.1 深度特征合成算法
    1.2 自动编码器
    1.3 长短期记忆网络
2 DFS-Seq2Seq深度特征网络态势检测方法
    2.1 数据处理与算法流程
    2.2 Seq2Seq模型分析与构造
3 实验结果与分析
4 结语


【参考文献】：
期刊论文
[1]基于深度学习的网络入侵检测研究综述[J]. 张勇东,陈思洋,彭雨荷,杨坚.  广州大学学报(自然科学版). 2019(03)
[2]基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用[J]. 陶涛,周喜,马博,赵凡.  计算机应用. 2019(03)
[3]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢.  计算机学报. 2019(01)
[4]改进随机森林算法在电信业客户流失预测中的应用[J]. 丁君美,刘贵全,李慧.  模式识别与人工智能. 2015(11)
[5]基于改进自适应灰色模型的网络安全态势预测[J]. 陈雷,司志刚,鹤荣育,周飞.  计算机科学. 2014(S2)



本文编号：3199723